基于ubuntu虚拟系统下的YOLOv8模型训练部署

前提条件：ubuntu20.4系统+yolov8下载

yolov8就在github上下载：GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch > ONNX > CoreML > TFLite

接下来正式开始

1：首先在目录下方空白处建立一个新的train.py文件，这里我建立的是一个mytrain.py文件。

作用：该文件的作用是定义训练集的训练轮数epochs，一次训练的图片量数batch，具体内容可参考yolov8官方文档中的参数列表。

实操：我们需要做的是修改最后一行的路径，需要改成已有的yaml文件路径，若训练目标的标记只有一个或是少数，可以将轮次调在100，一次训练的照片数量为8（若对算力有自信的，可以试试16）

 

2：第二步：在dataset文件夹下新建mytrain.yaml文件。准备好yaml文件之后就可以运行mytrain.py文件了。在训练好mytrain.py之后，新生成的run/train中，你便得到了一个base.pt文件，该文件便是你训练模型的成果，记住其的路径。

作用：该文件作用是记录准备训练的数据集的labels，比如我这里面的tenens标签（网球

实操：手动记录好labels标签，修改号数据集中的train与val的绝对路径，在训练的时候两者的路径是一样的，images即是你保存jpg文件的文件夹。

补充：在建立自己的数据集的时候，注意保存jpg的images文件夹和保存txt文件的labels文件夹要在同一个根目录上。（如图所示

 

 

3：第三步：在空白处新建一个predicte.py文件，我建的是mypredicte.py文件。

作用：基于训练好的base.pt文件，传入待测试的图片，视频，摄像头。

实操：修改测试内容的途径，我这里输入的是笔记本自带的摄像头，注意修改参数source=0，show=Ture（show默认是False,想显示内容必须要改为True

 

 

总结：准备好labels标记集（jpg与txt文件），建立好train.py与yaml文件，训练得出base.pt文件。

基于pt文件，建立predicte.py文件进行检测。

重点：各文件的路径的修改